基于多模态特征融合感知Transformer的储能系统HAWKER蓄电池微小故障诊断

全球范围内对可再生能源的推进加速了锂离子电池储能体系的需求增长。但是，由多重细微毛病（定义为电池行为的早期或细微反常）引发的安全事故，已明显影响了锂电池储能体系的推广使用与大规模部署。为此，本文提出一种根据多模态特征交融感知Transformer（MFFAT）的锂电池混合毛病确诊结构，旨在提高细微毛病样本的辨认能力并增强整体分类功能。该结构首先选用多模态特征交融战略来提取并整合多样化特征的表示，一起在特征提取与交融阶段战略性地嵌入毛病特征增强区块，以进一步突显不明显的毛病特征。交融特征随后经过毛病感知注意力Transformer进行精确的毛病分类。最终，全面的融化实验与现有办法的比照研讨证明了所提办法的优越性与可行性，突显其在提高电池毛病确诊可靠性与智能化水平方面的潜力。

图形摘要

根据全球储能工业的开展现状，锂离子电池储能因其响应速度快、使用场景灵活、能量密度高级优势而锋芒毕露[[1], [2], [3]]。但是在实际体系部署中，LIBs会面对杂乱的运转形式[4]、环境多变性以及制造工艺差异[5]，这些要素会导致明显的功能波动并增加毛病危险[6]。特别是局部细微过充/过放和内部短路等细小毛病往往呈渐进性开展。这些毛病通常在传感器数据中表现为微弱特征信号，难以经过传统电池管理体系（BMSs）进行有效检测[7,8]。若未能及时发现，此类细小毛病或许演变为热失控等更严重的失效形式[9]。因而，开展多细小毛病确诊技能对提高储能体系整体安全性与稳定性至关重要。
锂离子电池的传统毛病确诊办法，首要包括根据模型的办法[10,11]与信号处理技能[12,13]。虽然根据模型的办法在特定毛病确诊中具有可靠性，但其核算杂乱度较高且依靠精确的物理参数估计，难以完成多毛病同步辨认。信号处理技能经过时频分析或统计描述符进行特征提取，但人工操作会明显影响确诊成果，且难以跨毛病类型或运转条件完成泛化[14,15]。
相比之下，根据深度学习的数据驱动办法凭借其在特征提取与分类方面的卓越功能，已在电池毛病确诊领域得到广泛使用[16,17]。Yang等[18]提出一种子域自适应网络，用于完成电池组多毛病的精确确诊。Shen等[19]开发了一种选用随机卷积核变换与高斯进程分类器的锂离子电池多毛病确诊办法。Huang等[20]经过整合电池荷电状况(SOC)与降噪Transformer网络，完成了电动车电池组毛病检测。虽然上述办法能有效分类惯例电池毛病状况，但在使用于锂离子电池细微毛病确诊使命时效果有限。细微毛病数据的稀缺性及毛病特征的相似性，明显限制了细微毛病确诊的准确性。
为解决上述问题，本文提出一种针对储能锂离子电池的细小毛病确诊模型MFFAT。首先，构建多模态特征交融（MFF）模块，从数据中提取并交融特征，增强特征表达能力；一起在特征提取与交融阶段嵌入毛病特征增强（FFE）区块，强化细小毛病特征的提取与扩大，一起按捺噪声干扰。最后，将交融特征输入毛病感知注意力Transformer（FAT）结构进行毛病分类。该模型能有效捕捉杂乱多模态特征及数据内在关联性，完成锂离子电池多重细小毛病的精准确诊与检测。首要立异点如下：

• ●
  提出MFFAT办法用于储能体系中锂离子电池的微毛病确诊。
• ●
  多模态特征交融模块经过多性向特征增强毛病特征表征。
• ●
  毛病特征增强区块经过选择性扩大机制强化微毛病特征。
• ●
  毛病感知注意力Transformer机制明显提高毛病辨认与确诊准确率。